論文の概要: Measuring the Impact of Student Gaming Behaviors on Learner Modeling

• arxiv url: http://arxiv.org/abs/2512.18659v1
• Date: Sun, 21 Dec 2025 09:15:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.440796
• Title: Measuring the Impact of Student Gaming Behaviors on Learner Modeling
• Title（参考訳）: 学生のゲーム行動が学習者モデリングに及ぼす影響の測定
• Authors: Qinyi Liu, Lin Li, Valdemar Švábenský, Conrad Borchers, Mohammad Khalil,
• Abstract要約: 我々は,ゲーム行動をデータ中毒の一形態として概念化し,モデルの学習過程を損なうために,不正または誤解を招くインタラクションデータの意図的な提出として定義する。 我々は,多種多様なゲームパターンをシミュレートし,KTモデルの性能に与える影響を体系的に評価するために,DPA(Data Poisoning Attacks)を設計する。 本研究は,KTモデルの脆弱性に関する知見を提供し,学習分析システムの堅牢性向上のための敵対的手法の可能性を明らかにする。
• 参考スコア（独自算出の注目度）: 3.101239075313375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The expansion of large-scale online education platforms has made vast amounts of student interaction data available for knowledge tracing (KT). KT models estimate students' concept mastery from interaction data, but their performance is sensitive to input data quality. Gaming behaviors, such as excessive hint use, may misrepresent students' knowledge and undermine model reliability. However, systematic investigations of how different types of gaming behaviors affect KT remain scarce, and existing studies rely on costly manual analysis that does not capture behavioral diversity. In this study, we conceptualize gaming behaviors as a form of data poisoning, defined as the deliberate submission of incorrect or misleading interaction data to corrupt a model's learning process. We design Data Poisoning Attacks (DPAs) to simulate diverse gaming patterns and systematically evaluate their impact on KT model performance. Moreover, drawing on advances in DPA detection, we explore unsupervised approaches to enhance the generalizability of gaming behavior detection. We find that KT models' performance tends to decrease especially in response to random guess behaviors. Our findings provide insights into the vulnerabilities of KT models and highlight the potential of adversarial methods for improving the robustness of learning analytics systems.
• Abstract（参考訳）: 大規模オンライン教育プラットフォームの拡大により、知識追跡(KT)のための大量の学生インタラクションデータが利用可能になった。 KTモデルは、相互作用データから学生の概念的熟達を推定するが、その性能は入力データの品質に敏感である。 過剰なヒントの使用のようなゲーム行動は、生徒の知識を誤って表現し、モデルの信頼性を損なう可能性がある。 しかし、異なる種類のゲーム行動がKTにどう影響するかについての体系的な研究は依然として少なく、既存の研究は行動の多様性を捉えない高価な手作業による分析に依存している。 本研究では,ゲーム行動がデータ中毒の一形態として概念化され,モデルの学習過程を損なうために,不正または誤解を招くインタラクションデータの意図的な提出として定義される。 我々は,多種多様なゲームパターンをシミュレートし,KTモデルの性能に与える影響を体系的に評価するために,DPA(Data Poisoning Attacks)を設計する。 さらに,DPA検出の進歩を反映して,ゲーム動作検出の一般化性を高めるための教師なしアプローチを探索する。 KTモデルの性能は、特にランダムな推定行動に応答して低下する傾向にある。 本研究は,KTモデルの脆弱性に関する知見を提供し,学習分析システムの堅牢性向上のための敵対的手法の可能性を明らかにする。

関連論文リスト

• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• AdvKT: An Adversarial Multi-Step Training Framework for Knowledge Tracing [64.79967583649407]
  知識追跡(KT)は、学生の知識状態を監視し、質問シーケンスに対する反応をシミュレートする。 既存のKTモデルは通常、単一ステップのトレーニングパラダイムに従っており、大きなエラーの蓄積につながる。 本稿では,多段階KTタスクに着目した新しい知識追跡のための多段階学習フレームワーク(AdvKT)を提案する。
  論文  参考訳（メタデータ） (2025-04-07T03:31:57Z)
• Disentangled Knowledge Tracing for Alleviating Cognitive Bias [7.145106976584109]
  そこで本研究では,学生の因果効果に基づいて,親しみやすい,不慣れな能力のモデル化を行うディスタングルド・ナレッジ・トラクション・モデルを提案する。 DisKTは認知バイアスを著しく軽減し、評価精度が16ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-03-04T12:04:13Z)
• DASKT: A Dynamic Affect Simulation Method for Knowledge Tracing [51.665582274736785]
  KT(Knowledge Tracing)は,学生の履歴計算によって将来のパフォーマンスを予測し,学生の感情状態を理解することで,KTの有効性を高めることができる。 本研究では,学生の感情状態が知識状態に与える影響を調べるために,DASKT(Affect Dynamic Knowledge Tracing)を提案する。 我々の研究は、高い解釈可能性と精度の実現に焦点をあてて、今後の研究への有望な道のりを強調している。
  論文  参考訳（メタデータ） (2025-01-18T10:02:10Z)
• Uncertainty-aware Knowledge Tracing [2.8931305033614816]
  知識追跡(KT)は、学生の学習状態を描写し、生徒の教科の熟達度を評価することに焦点を当てた教育評価において重要である。 従来の研究では、学生の知識状態を捉えるための決定論的表現が一般的であり、学生の相互作用における不確実性を無視している。 本研究では,学生間相互作用の不確実性を表すために分布埋め込みを用いた不確実性認識知識追跡モデル(UKT)を提案する。
  論文  参考訳（メタデータ） (2025-01-09T18:17:27Z)
• PairCFR: Enhancing Model Training on Paired Counterfactually Augmented Data through Contrastive Learning [49.60634126342945]
  Counterfactually Augmented Data (CAD)は、既存のデータサンプルのラベルを他のクラスに戻すのに、最小限かつ十分な修正を適用することで、新しいデータサンプルを作成する。 近年の研究では、CADを用いたトレーニングが、他の重要な文脈情報を無視しながら、モデルが修正機能に過度にフォーカスする可能性があることが示されている。 我々は、対実的手がかりの学習に加えて、グローバルな特徴アライメントを促進するために、対照的な学習を採用する。
  論文  参考訳（メタデータ） (2024-06-09T07:29:55Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Harnessing Perceptual Adversarial Patches for Crowd Counting [92.79051296850405]
  群衆のカウントは、物理的な世界の敵の例に弱い。 本稿では,モデル間での知覚的特徴の共有を学習するためのPAP(Perceptual Adrial Patch)生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:51:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。